生物医学中的智能信号处理方法研究

摘要

ECG信号是十分重要的医学信号，其检测过程本质上是一个模式识别过程，主要涉及特征提取和特征判别的规划和设计。由于医学信号的获取中通常受到病人生理、外界环境等干扰，采集的信号往往含有噪声，从而使得待检测信号波形存在失真，给信号的自动分析处理带来了很大困难。如何建立起描述信号特征信息的数学模型，对识别效果有举足轻重的意义。
　　 传统的神经网络具有高度的非线性逼近能力等优点，小波神经网络在此基础上，通过选择合适的小波基来构造神经网络，训练之后就能够以任意精度来逼近任意的非线性函数。本文提出了一种基于小波神经网络的ECG信号的检测算法，并讨论了小波神经网络的构造思想及计算方法，对于各种病例诊断有借鉴意义。由于ECG信号是随时间变化的一维电信号，难以确定其特征表现，采用传统的信号处理方法不容易得到满意的效果。针对ECG信号的特点，本文采用小波神经网络模型来处理ECG信号，从而克服ECG信号识别中所存在的模型复杂性与不确定性等困难。
　　 中本文选取了MIT-BIH心电数据库中的部分样本进行了数值实验，结果表明基于小波神经网络的ECG信号检测算法具有较快的计算速度，但是对于网络结构的设计和学习算法方面还有很多需要改进的地方，实验也发现该算法对极不规则的心电信号的检测能力不够。
　　 从本文的试验结果中可以看出，利用小波神经网络对原始ECG信号进行特征提取，正是利用了小波基的时频局部特性的优点，从而加快了小波神经网络的收敛速度；另外由于小波基同时具有尺度和变换的不变性，因此在计算中需要较少的训练样本数，使得小波神经网络的泛化能力得到很大改进；同时由于小波神经网络对随机噪声并不敏感，从而提高了对非平稳和非线性信号的检测能力。

目录

文摘

英文文摘

声明

第1章绪论

1.1研究背景及意义

1.2国内外研究现状及存在的问题

1.3本文研究思路及主要工作

第2章神经网络基本理论

2.1神经网络的基本概念

2.1.1人工神经元（Artificial Neuron)

2.1.2神经元常用的基函数与激励函数类型

2.1.3神经元学习算法

2.1.4由大量神经元构成的神经网络的特点

2.2常见的几种神经网络

2.2.1前馈式神经网络

2.2.2反馈式神经网络

2.3人工神经网络的基本功能

2.3.1联想记忆(Associative Memory)

2.3.2分类(Classifier)

2.3.3优化计算(优化决策)

2.4人工神经网络的应用领域

2.4.1信息领域

2.4.2自动化领域

2.4.3工程领域

2.4.4医学领域

第3章ECG信号简介

3.1 ECG信号的构成

3.2 ECG信号的特征检测及病类判别

3.3 ECG数据库及使用方法简介

第4章基于小波神经网络的心电信号检测算法

4.1小波分析的基本理论

4.1.1从傅立叶变换到小波变换

4.1.2连续小波变换

4.1.3离散小波变换

4.1.4几种常用的小波

4.2小波神经网络

4.2.1小波神经网络的定义

4.2.2小波神经网络学习算法

4.2.3用于心电信号检测的小波神经网络的结构设计

4.3小波神经网络的实现方法

第5章数值试验与结果分析

5.1基于小波神经网络的ECG信号检测

5.2小波神经网络在ECG信号检测中的优点

第6章总结和展望

6.1本文主要工作总结

6.2需要进一步研究的问题

参考文献

致谢

攻读学位期间获得与学位论文相关的科研成果目录